Learning Structural Eigenmodes with Modal Operator Network (ModalONet)

당신이 오케스트라의 교향곡을 듣고 있다고 상상해 보십시오. 숙련되지 않은 귀에는 그저 아름답고 소용돌이치는 소리의 벽처럼 들릴 것입니다. 하지만 음악가에게 그 소리는 사실 정교한 레시피입니다. 특정한 음표(주파수)들이, 특정한 볼륨과 지속 시간(감쇠)을 가지고, 특정한 악기(모드 형상)를 통해 완벽한 조화를 이루며 연주되는 것이죠. 공학의 세계에서 교량, 비행기 날개, 마천루와 같은 구조물들도 정확히 이와 똑같이 행동합니다. 바람이나 교통량이 가해질 때, 이들은 단순히 무작위로 흔들리는 것이 아니라 "모드(modes)"라고 불리는 숨겨진 수학적 패턴에 따라 진동합니다. 이러한 패턴을 아는 것은 매우 중요합니다. 만약 교량이 새로운 이상한 패턴으로 진동하기 시작한다면, 이는 볼트가 풀렸거나 강철이 피로 누적되었음을 의미할 수 있습니다. 엔지니어들은 우리를 안전하게 지키기 위해 이 "음표"들을 찾아내야 하지만, 전통적으로 이들을 찾아내는 과정은 마치 흐릿한 녹음본을 듣고 노래를 역설계하는 것과 같았으며, 복잡한 수학이나 도처에 배치된 값비싼 센서를 필요로 했습니다.

여기에 ModalONet이라 불리는 새로운 접근 방식이 등장했습니다. 이것을 구조물의 "노래"(진동 데이터)를 듣고, 그 구조물의 설계도를 미리 알지 못하더라도 즉각적으로 악보를 파악해 내는 초스마트 탐정이라고 생각하십시오. 기존의 AI 도구들은 구조물을 밀었을 때 어떻게 흔들릴지를 예측하는 데는 뛰어났지만, 구조물의 자연스러운 "음표"가 무엇인지를 알려주도록 설계되지는 않았습니다. 이 논문은 그 방식을 뒤집습니다. 미래의 흔들림을 예측하는 대신, 진동을 듣고 그 안에 숨겨진 음악적 음표(주파수), 악기의 감쇠(감쇠), 그리고 진동의 형태(모드 형상)를 노이즈로부터 직접 추출해 냅니다. 이는 컴퓨터에게 혼란스러운 밴드의 연주 속에서 개별 악기의 소리를 구분해 내고, 설령 그 밴드를 본 적이 없더라도 정확한 악보를 작성하도록 가르치는 것과 같습니다.

문제점: 노이즈 속에서 숨겨진 음표 찾기

기타 줄을 상상해 보십시오. 줄을 튕기면 특정 음높이로 진동합니다. 하지만 실제 구조물은 복잡합니다. 수천 개의 작은 부품들로 이루어져 있으며, 진동할 때 매우 복잡하고 중첩된 방식으로 움직입니다. 때로는 구조물의 서로 다른 두 부분이 정확히 같은 음높이(중첩 모드, degenerate mode)로 진동하여, 이들을 구별하는 것이 매우 어려워지기도 합니다. 전통적으로 엔지니어들은 이 숨겨진 음표를 찾기 위해 두 가지 방법을 사용해 왔습니다:

1. 설계도 방식: 구조물의 완벽한 컴퓨터 모델을 구축하고 거대한 수학 문제를 풀어 음표를 찾아냅니다. 하지만 실제 교량이 설계도와 약간이라도 다를 경우(예를 들어, 바람 때문에 재료의 특성이 변한 경우), 수학 문제는 틀린 답을 내놓게 됩니다.
2. 청취 방식: 진동을 측정하고 전통적인 신호 처리 기법을 사용하여 음표를 추측합니다. 이 방법도 작동하지만, 어떤 "음표"가 실제 음이고 어떤 것이 단순한 배경 소음인지 인간이 직접 결정해야 하는 수동적이고 지루한 과정인 경우가 많습니다.

이 논문의 저자들은 다음과 같은 간단한 질문을 던졌습니다: 우리는 신경망(AI의 일종)이 설계도나 인간의 추측 없이도 진동을 듣고 자동으로 숨겨진 음표를 찾아내도록 가르칠 수 있을까?

해결책: ModalONet의 음악적 마법

연구팀은 ModalONet이라는 도구를 만들었습니다. 이 AI가 어떻게 작동하는지 이해하려면, AI가 녹음된 곡을 통해 노래를 재구성하려고 노력하는 모습을 상상해 보십시오. 대부분의 AI 모델은 노래를 암기하려고 합니다. 하지만 ModalONet은 다르게 설계되었습니다. 이는 자연스럽게 음악적 악보와 같은 구조를 가진 특수한 아키텍처(DeepONet)를 사용합니다.

AI를 협력하는 두 부분으로 나누어 생각해 봅시다:

• "트렁크(Trunk)" (형상): 이 부분은 진동의 형상을 학습합니다. 교량이 공간상에서 어떻게 휘고 뒤틀리는지를 파설합니다. 이는 마치 기타 줄이 진동할 때의 물리적 모양을 배우는 것과 같습니다.
• "브랜치(Branch)" (소리): 이 부분은 진동의 타이밍을 학습합니다. 소리가 얼마나 빨리 사라지는지, 그리고 음높이가 무엇인지를 파악합니다. 이는 음의 리듬과 감쇠를 배우는 것과 같습니다.

여기서 영리한 트릭은, 저자들이 이 "트렁크 + 브랜치" 구조가 실제 세상에서 진동이 작동하는 방식과 수학적으로 동일하다는 것을 깨달았다는 점입니다. 따라서 그들이 AI에게 단순히 진동 데이터를 "재구성"하도록(즉, AI의 출력이 실제 데이터와 일치하도록) 훈련시키면, AI는 자연스럽게 데이터를 물리적 형상과 소리로 분리하게 됩니다. 이는 아이에게 레고 블록 더미를 주고 집을 만들라고 할 때, 집에는 반드시 지붕과 벽이 있어야 한다고 말하면 아이가 자연스럽게 블록들을 그 카테고리에 따라 분류하는 것과 같습니다.

결과: 거의 완벽한 선율

연구팀은 네 가지 서로 다른 "악기"를 대상으로 ModalONet을 테스트했습니다:

1. 단순 지지보 (다이빙 보드와 같은 형태).
2. 캔틸레버 보 (깃대와 같은 형태).
3. 직사각형 판 (얇은 금속판과 같은 형태).
4. 정사각형 판 (두 가지 서로 다른 진동 패턴이 정확히 같은 음높이를 공유하는 까다로운 사례).

그들은 실제 센서가 기록하는 것과 같은 노이즈가 섞인 시뮬레이션 진동 데이터를 AI에 입력하고 음표를 찾도록 했습니다. 결과는 놀라울 정도로 정확했습니다:

• 형상 (Shapes): AI는 진동 형상을 0.998 이상의 "모드 확실성 기준(Modal Assurance Criterion)"(형상이 수학적 형상과 얼마나 유사한지를 나타내는 점수)으로 복원했습니다. 이는 AI가 수학적 원리를 전혀 보지 못했음에도 불구하고, 그 형상이 완벽한 수학적 형상과 거의 동일했음을 의미합니다.
• 음높이 (Frequency): AI는 고유 진동수를 5% 미만의 오차로 예측했습니다.
• 감쇠 (Damping): 이 부분이 가장 어려운 과제였습니다. 진동이 어떻게 사라지는지에 대한 초기 AI의 예측은 다소 부정확했습니다(때로는 차이가 컸습니다). 그러나 저자들은 정밀 조정을 위한 "사후 처리(post-processing)" 단계(로그 포락선 회귀)를 추가했습니다. 이 단계를 거친 후, 오차는 7% 미만으로 떨어졌으며, 대부분의 모드는 실제 값의 2% 이내에 있었습니다.

까다로운 부분: "쌍둥이" 문제

이 논문이 다룬 가장 큰 도전 과제 중 하나는 "중첩(degenerate)" 사례였습니다. 정사각형 드럼을 상상해 보십시오. 드럼을 치면 좌우 방향으로 진동할 수도 있고, 앞뒤 방향으로 진동할 수도 있습니다. 완벽한 정사각형에서는 이 두 가지 패턴이 정확히 같은 음높이를 가집니다. 일반적인 컴퓨터에게 이 두 패턴은 뒤섞인 혼란스러운 상태로 보이며, 물리적으로 말이 안 되는 이상하게 회전된 패턴을 제시할 수도 있습니다.

ModalONet은 "트렁크"가 "분리 가능(separable)"하도록 강제함으로써 이 문제를 해결했습니다. 이는 AI가 복잡하게 뒤섞인 패턴이 아니라, X와 Y의 단순한 곱 형태인 패턴을 찾도록 강제하는 고급 기술입니다. 이러한 제약 덕분에 AI는 쌍둥이 패턴 때문에 혼란을 겪지 않았습니다. AI는 하나의 음높이를 공유하는 두 개의 뚜렷한 형상이 존재한다는 것을 성공적으로 식정했으며, 가짜로 회전된 형상을 만들어내지 않았습니다.

이것이 의미하는 바 (그리고 그렇지 않은 것)

이 논문은 우리가 AI를 사용하여 구조물의 물리적 특성(움직임, 진동 속도, 감쇠)을 설계도나 인간의 데이터 분류 없이도 "듣고" 추출할 수 있음을 보여줍니다.

하지만 저자들은 자신들의 발견에 대한 한계점도 명시했습니다.

• 시뮬레이션 기반: 모든 테스트는 컴퓨터로 생성된 데이터로 수행되었습니다. AI는 아직 실제 물리적인 다리의 소리를 들어본 적이 없습니다.
• 범용 번역기가 아님: 현재 단계에서 AI는 각 특정 구조물에 대해 별도로 훈련되어야 합니다. 새로운 다지를 보고 즉각적으로 음표를 알 수는 없으며, 먼저 그 특정 다리에 대해 학습하는 과정이 필요합니다.
• 감쇠의 난해함: 주파수와 형상은 매우 정확하게 찾아냈지만, "감쇠"(멈추는 속도)를 진정으로 정확하게 찾기 위해서는 추가적인 사후 처리 단계가 필요했습니다.

요약하자면, ModalONet은 구조물의 "음표"를 찾는 복잡한 작업을 깔끔하고 자동화된 프로세스로 바꾸는 강력한 새로운 도구입니다. 이는 미래에 우리가 교량에 몇 개의 센서를 부착하고 AI가 그 소리를 듣게 함으로써, 공학 설계도 없이도 구조물의 건강 상태에 대한 전체 보고서를 즉각적으로 얻을 수 있음을 시사합니다. 이는 우리 사회의 인프라가 자신의 비밀을 우리에게 명확하고 정확하게 "노래"하도록 만드는 중요한 진전입니다.